An early warning algorithm for epileptic seizures based on CNN model is an early warning method for epileptic seizures based on in-depth learning. This invention proposes an epileptic seizure early warning algorithm based on CNN model, aiming at realizing an epileptic seizure early warning system. Firstly, the EEG data of epilepsy patients monitored by IEEG were preprocessed, then the original prediction results were standardized based on CNN model and predicted by Softmax, Minmax, and Median. The ROC curve and sensitivity specificity analysis curve of EGG data extracted from epilepsy patients based on CNN model were analyzed, and the original predicted AUC value based on CNN model was obtained. The original predicted AUC value of the algorithm is 0.790, which means that the CNN model of the algorithm has learned the key information of predicting epilepsy, and can accurately predict the state changes during or before epilepsy based on EEG data sets. The algorithm can be used to control epileptic seizures and remind patients when to pay attention to potentially dangerous activities such as driving or swimming.
【技术实现步骤摘要】
基于CNN模型的癫痫发作预警算法
本专利技术涉及一种基于CNN模型的癫痫发作预警算法,具体涉及基于深度学习的早期癫痫发作预警方法。
技术介绍
癫痫是一种可复发无迹像的慢性神经系统疾病。据世界卫生组织统计,癫痫患病率在5‰至11.2‰。世界上约有5000万癫痫患者,我国癫痫患者为900万,其中活动性癫痫约600万,25%的患者不能通过系统药物控制,所以称为难治性癫痫。即使采用最佳治疗方法,许多患者仍然会出现癫痫发作。在癫痫不发作情况下,癫痫患者经常会焦虑自己癫痫会发作。目前,癫痫可通过连续脑电图(EEG)监测来诊断,但脑电图只能在住院环境中获得。近年来,随着便携式EEG系统的发展,EEG记录已经变得非常普遍。虽然患者容易获得与住院监测相同的脑电图,但如何使用大量记录的脑电图,使其在癫痫发作前提供可靠早期预警信号成为一个非常有价值的研究问题。因此,提供一种癫痫发作预警系统,并以此降低由不可预测的癫痫发作引起的伤害是十分必要的。
技术实现思路
本专利技术提出了一种基于CNN模型的癫痫发作预警算法,该算法包括以下步骤:步骤1,数据采集:获得在IEEG监测下的癫痫患者的颅内脑电图(EEG)数据;步骤2,数据预处理:依次通过巴特沃斯滤波器、离散傅里叶变换、频带划分和数据正则化对步骤1中的EEG数据进行预处理;步骤3,基于预处理数据,构建CNN癫痫预测模型:将二维矩阵或三维矩阵作为输入数据送入卷积神经网络CNN,通过卷积神经网络的卷积和池化自动提取数据特征,并通过全连接层和softmax进行分类,以此构建CNN模型;步骤4,基于步骤3的模型,进行癫痫发作预警分析:基于CNN ...
【技术保护点】
1.基于CNN模型的癫痫发作预警算法,其算法特征包括以下步骤:步骤1,数据采集:获得在IEEG监测下的癫痫患者的颅内脑电图(EEG)数据;步骤2,数据预处理:依次通过巴特沃斯滤波器、离散傅里叶变换、频带划分和数据正则化对步骤1中的EEG数据进行预处理;步骤3,基于预处理数据,构建CNN癫痫预测模型:将二维矩阵或三维矩阵作为输入数据送入卷积神经网络CNN,通过卷积神经网络的卷积和池化自动提取数据特征,并通过全连接层和softmax进行分类,以此构建CNN模型;步骤4,基于步骤3的模型,进行癫痫发作预警分析:基于CNN模型癫痫预测模型,提取癫痫患者EGG数据的ROC曲线和灵敏度特异性分析曲线,进行分析与预警。
【技术特征摘要】
1.基于CNN模型的癫痫发作预警算法,其算法特征包括以下步骤:步骤1,数据采集:获得在IEEG监测下的癫痫患者的颅内脑电图(EEG)数据;步骤2,数据预处理:依次通过巴特沃斯滤波器、离散傅里叶变换、频带划分和数据正则化对步骤1中的EEG数据进行预处理;步骤3,基于预处理数据,构建CNN癫痫预测模型:将二维矩阵或三维矩阵作为输入数据送入卷积神经网络CNN,通过卷积神经网络的卷积和池化自动提取数据特征,并通过全连接层和softmax进行分类,以此构建CNN模型;步骤4,基于步骤3的模型,进行癫痫发作预警分析:基于CNN模型癫痫预测模型,提取癫痫患者EGG数据的ROC曲线和灵敏度特异性分析曲线,进行分析与预警。2.根据权利要求1所述的基于CNN模型的癫痫发作预警算法,其特征在于:所述步骤1的颅内脑电图(EEG)数据源于美国癫痫协会癫痫预测竞赛的数据,包括5只患有癫痫的狗和2名在IEEG监测下的患者等数据。3.根据权利要求1所述的基于CNN模型的癫痫发作预警算法,其特征在于:所述的骤2的数据预处理过程为:Step1取样;以400Hz的频率采取数据段每个电极上的数据,使每个10分钟数据段的统一尺寸为N(600s×400/s);Step2滤波:使用巴特沃斯滤波器对Step1采取的数据中小于0.1Hz和高于180Hz的数据进行滤波;Step3离散傅里叶变换:将每个10分钟数据段分为20个30秒的小段,每个小段使用离散傅里叶变换从时域信号变为频域信号,其中离散傅里叶变换公式为:Step4划分频带:在每个10分钟数据段分为20个30秒的小段频域信号之后,将频域从0.1Hz到180Hz划分为八个相互不相交的频带,分别为a频带、b频带、c频带、d频带、e频带、f频带、g频带和h频带,其中a频带的取值范围为[0.1Hz,4Hz],b频带的取值范围为(4Hz,8Hz],c频带的取值范围为(8Hz,12Hz],d频带的取值范围为(12Hz...
【专利技术属性】
技术研发人员:臧天仪,闵腾飞,王福旭,王跃莹,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:黑龙江,23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。